相关实验视频
Updated: Sep 17, 2025
08:15
Data Communication Based on MQTT in a Polymer Extrusion Process
Published on: July 15, 2022
3.6K
在物联网中改进了入侵检测模型
Marina S Amine1, Fayza A Nada1, Khalid M Hosny2
1Department of Information Technology, Faculty of Computers and Information, Suez University, Suez, 8151650, Egypt.
Scientific reports
|July 1, 2025
概括
本研究介绍了一种使用卷积神经网络 (CNN) 的增强深度学习模型,用于改进物联网 (IoT) 环境中的入侵检测. 该模型有效地识别了超过10种攻击类型,增强了对不断发展的网络威胁的物联网网络安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 物联网 (IoT) 涉及众多相互连接的设备,产生大量数据,需要高效的计算和强大的安全措施.
- 物联网环境越来越容易受到网络攻击,因为连接设备的扩散,对智能城市和医疗保健等领域的智能系统构成风险.
- 现有的入侵检测系统 (IDS) 经常与物联网数据的规模和复杂性作斗争,突出了对先进检测模型的需求.
研究的目的:
- 介绍一个改进的深度学习 (DL) 模型,特别是利用卷积神经网络 (CNN),用于增强物联网 (IoT) 环境中的入侵检测.
- 在物联网生态系统所带来的独特挑战中,提高入侵检测系统 (IDS) 的准确性和概括性.
- 通过展示深度学习在加强物联网安全方面的有效性,为未来的IDS开发建立一个新的基准.
主要方法:
- 开发一种新的深度学习模型,集成卷积神经网络 (CNN) 架构,用于入侵检测.
- 在CNN模型中实施数据增强和规范化技术,以减轻过度匹配和增强泛化.
- 与使用基准数据集的替代深度学习 (例如,长短期记忆 - LSTM) 和传统机器学习 (例如,决策树 - DT) 方法进行比较分析.
主要成果:
- 拟议的基于CNN的模型在检测物联网环境中的入侵方面,比现有的DL和机器学习技术显著改进.
- 在某些检测任务中实现了1的完美精度率和82%的平均多类精度,这对于最小化现实应用中的假阳性至关重要.
- 该模型在检测超过10种不同的攻击类型方面被证明是有效的,展示了它对广泛的网络威胁进行防御的能力.
结论:
- 增强的深度学习模型为物联网入侵检测提供了高效和可扩展的解决方案,为该领域设定了新的标准.
- 深度学习,特别是CNN,提供了一种强大的方法,可以显著提高物联网安全系统的准确性和可靠性.
- 开发的模型有效地解决了物联网环境的特定挑战,提供了对不断变化的网络威胁的强有力的防御.
